Jan, 2021

提高图像抠图的细节精度

PDF
TL;DR本文提出了一种深度图像抠图模型，其中利用低阶但高清晰度的纹理特征提供微观细节的恢复，并设计了一种独立的不会下采样的 “Textural Compensate Path” 来提取精细的细节，较之前的方法在 “Composition-1k” 数据集上有较好的表现。
deep natural image mattingtexture featuresencoder-decoder-based modelsfine-grained detailstrimap generation
发现论文，激发创造
  • 连接复合与真实：朝向端到端的深度图像抠图

    本文提出了一种新颖的前景抠图模型 GFM，采用了共享编码器和两个独立解码器，在高级语义分割和低级细节抠图之间分别进行学习，以实现自然图像的端到端抠图。同时，我们通过对合成图像和真实世界图像之间的区别进行了系统的分析，提出了一种 RSSN 组合路径，以便更好地提高模型的泛化能力。实验结果表明，GFM 模型在真实世界图像上的泛化性能得到了有效提高。

    Oct, 2020

  • PP-Matting：高精度自然图像抠图

    本文提出了一种名为 PP-Matting 的无 TriMap 自然图像抠图架构，可以实现高精度的自然图像抠图，利用高清分支和语义上下文分支防止前景背景歧义和局部不确定性，与现有方法相比表现优异。

    Apr, 2022

  • 深度图像抠图

    本文提出一种基于深度学习的图像抠图算法，使用深度卷积编码器 - 解码器网络和卷积网络相结合，提高了前景和背景颜色相似或纹理复杂的图像抠图效果，并生成了一个大规模的图像抠图数据集，实验结果表明该算法优于之前的方法。

    Mar, 2017

  • 深度神经网络融合纹理进行图像分类

    精细化图像分类任务中，由于不同子类别间视觉差异小、类内变化大，深度学习方法在解决该问题中取得了显著成功。本文提出一种融合方法，通过将全局纹理与局部基于图像块的信息相结合来解决精细化图像分类问题。我们的方法在人脸、皮肤病变、美食、海洋生物等八个数据集上使用四个标准的骨干 CNN 进行了测试，并在分类准确率上取得了优于现有方法显著的提升。

    Aug, 2023

  • 高效自然图像抠图

    本研究提出了一种基于卷积神经网络的轻量级无裁剪自然图像抠图方法，通过构建分割网络和抠图精炼网络实现像素分类和细节信息提取，该方法具有可比较的性能但只使用大型模型约 1% 的参数 (344k)。

    Oct, 2021

  • 面向详细人物图像合成的区域自适应纹理增强

    本文介绍了 RATE-Net，一个用于合成具有纹理细节的人物图像的新型架构，通过加入纹理增强模块来提取额外的外观信息，并估计一份细粒度残差纹理地图来改善姿势转移模块的估计结果。

    May, 2020

  • TopicFM +：提升主题辅助特征匹配的准确性和效率

    本研究提出了一种基于主题建模策略来捕获图像高层次上下文信息的新型图像匹配方法，并使用池化和合并注意力模块来提高特征匹配的效率，能够在节约计算成本的同时，在具有挑战性的情况下，与最先进的方法相比保持更高的图像匹配精度。

    Jul, 2023

  • 通过上下文聚合和强数据增强提高图像抠像的稳健性

    提出了一种基于深度学习和强数据增强的图像抠图方法，通过多级上下文组装和强大的数据增强提高了模型的稳健性和泛化能力，该方法在多个基准测试中具有更好的性能。

    Jan, 2022

  • 高分辨率深度图像抠像

    本文提出 HDMatt，第一个用于高分辨率输入的基于深度学习的图像抠图方法，采用一种新的模块设计以解决不同片段之间的上下文依赖性和一致性问题，并在 Adobe 图像抠图和 AlphaMatting 基准上取得了新的最先进性能和更高分辨率图像的出色视觉效果。

    Sep, 2020

  • 上下文感知图像抠像：同时估计前景和 Alpha 值

    本研究旨在提出一种上下文感知的自然图像抠图方法，通过使用两个编码器网络来提取本地特征和全局上下文信息，以同时估计前景和 alpha 遮罩。

    Sep, 2019